[发明专利]一种基于级联混合高斯形状模型的多姿态图像特征点配准方法

权利要求书

1.一种基于级联混合高斯形状模型的多姿态图像特征点配准方法，其特征在于，该方法包括以下步骤：

(1)图像数据标注特征点坐标；

(2)统计学习特征点分布的先验模型；

(3)采用级联的多层模型进行特征点的校准；

(4)对定位错误特征点的纠错，具体包括以下步骤：

(4-1)将错误特征点坐标代入混合高斯模型，根据以下公式(1)计算错误特征点坐标的条件概率，其中x_e代表错误特征点坐标向量，x_r代表正确特征点坐标向量，N_i代表多变量高斯分布分量的条件概率；

其中，M代表高斯分布的个数，a_i代表混合高斯模型的权重，u代表高斯分布的均值向量，Σ代表高斯分布的协方差矩阵；所述错误特征点是指定位偏差达到一定阈值的特征点；

(4-2)找出使得步骤(4-1)中所述条件概率最大的坐标数值，将其替换错误特征点坐标。

2.根据权利要求1所述的一种基于级联混合高斯形状模型的多姿态图像特征点配准方法，其特征在于，所述步骤(3)具体包括以下步骤：

(3-1)通过图像中的多个特征点的组合形成多种形状模型；

(3-2)对步骤(3-1)中所述的多种形状模型进行阈值校验。

3.根据权利要求2所述的一种基于级联混合高斯形状模型的多姿态图像特征点配准方法，其特征在于，所述步骤(3-2)具体包括以下步骤：

(3-2-1)使用混合高斯模型参数计算特征点形状矢量的似然概率值；特征点形状矢量是指用横坐标(x)和纵坐标(y)描述的特征点的位置坐标，n个特征点的坐标合并构成的坐标向量，其形成特征点的形状模型；

(3-2-2)根据以下公式(2)计算似然度阈值，其中k为特征点数量，i，j为图像像素点位置标号：

其中，P_i和P_j代表第i个位置和第j个位置上的特征点的概率值，代表组合数；

(3-2-3)如步骤(3-2-2)中所述阈值Th>1则终止校验，接受当前特征点形状；

(3-2-4)在特征点形状矢量中移除一个特征点坐标，混合高斯模型参数中的权重减少一个、均值向量降低一维、协方差矩阵的行列各移除对应维度数值；

(3-2-5)使用步骤(3-2-4)中所述的混合高斯模型参数计算特征点形状矢量对应的似然概率，将最大似然概率值对应的特征点定为当前偏差最大的点；

(3-2-6)计算步骤(3-2-2)中所述的阈值，如果Th>1则终止校验，接受当前特征点形状，否则重复步骤(3-2-4)、步骤(3-2-5)进行校验。